e1：让模型学会自适应控制推理努力

研究者提出一种名为 Adaptive Effort Control 的自适应强化学习方法，训练模型按用户指定的 token 比例（相对当前每条查询的平均思维链长度）分配推理量，用户在推理时用一个连续的 effort 参数即可调节成本与准确率的权衡，无需按数据集和训练阶段调整超参数。 在 1.5B 至 32B 参数规模的模型上，该方法在数学任务中保持同等准确率，同时将思维链长度较 RL 训练基座模型缩短 1.9-3.7 倍。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。